典型文献
基于集成学习的加权投资组合优化
文献摘要：
文章将机器学习中的分歧分解框架引入投资组合优化问题中,利用将多个子策略权重进行组合的思想,在全局最小方差(GMV)策略的基础上提出了全局最小方差集成(EGMV)策略.具体地,文章利用机器学习领域中对二次损失函数所进行的常见分解方式-分歧分解,对GMV策略的优化问题进行了修改,在其基础上引入了两个额外的参数,即子策略个数和多样化系数,从而构成了新的EGMV投资组合策略.当多样化系数大于1时,EGMV策略能够输出具有多样化权重的多个子策略,从而对冲各资产权重的估计误差,提高加权策略的样本外绩效表现.为了验证EGMV策略的有效性,文章在A股和美股市场上对EGMV策略,GMV策略和其他多个常见策略进行了实证比较.结果显示,在A股市场中,EGMV策略能够在夏普率和换手率上取得平均意义上优于GMV策略的绩效表现,且这一结论在160个不同参数组合下同样成立,这表明EGMV策略具有较好的稳健性.
文献关键词：
投资组合优化;集成学习;分歧分解;全局最小方差策略
中图分类号：
作者姓名：
孙会霞;赵慧敏;张超;郑田田
作者机构：
中央财经大学财政税务学院,北京100081;中山大学管理学院,广州510275;北京大学软件与微电子学院,北京100871
文献出处：
引用格式：
[1]孙会霞;赵慧敏;张超;郑田田-.基于集成学习的加权投资组合优化)[J].系统科学与数学,2022(05):1145-1160
A类：
分歧分解,EGMV,全局最小方差策略
B类：
集成学习,投资组合优化问题,差集,学习领域,二次损失函数,数所,组合策略,对冲,估计误差,高加,绩效表现,股市,夏普率,换手率,同参数,数组,下同,略具
AB值：
0.201532
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
